تحديد الحالة الوظيفية للحركة في السجلات الصحية الإلكترونية باستخدام نماذج لغوية كبيرة

لماذا تُعد قدرة المشي إشارة صحية قوية

مع طول عمر الناس، يهتم الأطباء ليس فقط بمدة الحياة بل بمدى قدرتنا على الحركة والمشي والاعتناء بأنفسنا. تظهر صعوبات النهوض من الكرسي أو صعود السلالم أو التنقل في المدينة غالبًا قبل حدوث أزمات طبية بفترة طويلة. مع ذلك، فإن أوصاف قدرة الشخص اليومية الأكثر تفصيلاً عادةً ما تكون مدفونة داخل ملاحظات الأطباء والمعالجين النصية في السجلات الصحية الإلكترونية، حيث يصعب على الحواسيب العثور عليها. تستكشف هذه الدراسة ما إذا كانت نماذج اللغة الكبيرة الحديثة — نفس نوع الذكاء الاصطناعي وراء العديد من روبوتات الدردشة — قادرة بشكل موثوق على قراءة تلك الملاحظات وتحويل أوصاف الحركة إلى معلومات منظمة يمكن البحث فيها.

تحويل الملاحظات الفوضوية إلى بيانات حركة قابلة للاستخدام

ركز الباحثون على «الحالة الوظيفية للحركة»، وهو مصطلح عام يصف مدى قدرة الشخص على تغيير وضعية الجسم والمشي وحمل الأشياء والتعامل معها، واستخدام وسائل النقل، والحركة في الحياة اليومية. اعتمدوا على 600 ملاحظة سريرية حقيقية من ثلاث مؤسسات رعاية صحية في مينيسوتا وويسكونسن، معظمها من زيارات العلاج الطبيعي والوظيفي، بالإضافة إلى مجموعة من ملاحظات العيادات العامة. قام موسِّعون خبراء بمراجعة كل ملاحظة قسمًا بقسم ووسم كل مقطع يصف إحدى فئات الحركة الخمس، مع تحديد ما إذا كان المريض محدودًا بوضوح ("متأثر") أو يعمل بشكل طبيعي ("غير متأثر"). شكلت هذه الوسوم الخبيرة المعيار الذهبي لتقييم نظام الذكاء الاصطناعي.

كيف تم تدريب النموذج ليقرأ مثل الطبيب

استخدم الفريق Llama 3، نموذج لغوي كبير مفتوح المصدر، وشغّلوه على خوادم محلية مؤمنة بحيث لا تغادر بيانات المرضى نظام الرعاية الصحية. بدلاً من إعادة تدريب النموذج من الصفر، صمّموا بعناية مطالبات (مجموعات من التعليمات المكتوبة والتعريفات) لتعليم النموذج ما الذي يجب البحث عنه. جرّبوا مطالبات "بدون أمثلة" التي تقتصر على التعليمات، ومطالبات "بقليل من الأمثلة" التي تتضمن أيضًا عددًا قليلاً من ملاحظات المثال. ثم حللوا الأخطاء التي ارتكبها النموذج وصاغوا "مطالبة مستمدة من الأخطاء" توضح ما يجب تضمينه وما يجب تجاهله (مثل خطط العلاج المستقبلية)، وكيفية التعامل مع الحالات المعقدة مثل السقوط أو الدوخة أو استخدام الكرسي المتحرك. طُلب من الذكاء الاصطناعي، لكل قسم من الملاحظة ولكل فئة من فئات الحركة، ما إذا كانت الحركة مذكورة على الإطلاق وإذا كان الأمر كذلك، ما إذا كان المريض متأثرًا.

أداء قوي يتحسن على مستوى المريض

عند مقارنته بالوسوم الخبيرة، قدّم النظام المحسّن أداءً جيدًا. على مستوى المرضى بالكامل — بدمج المعلومات عبر كل ملاحظاتهم — بلغ مقياس F1 (مقياس شائع للدقة) حوالي 0.88 لاكتشاف معلومات الحركة و0.90 لتحديد ما إذا كان الشخص متأثرًا. هذا يعني أن أحكامه تطابقت إلى حد كبير مع أحكام المراجعين البشر. كان الأداء أقل بعض الشيء عند النظر إلى أقسام فردية من الملاحظات، حيث قد تكون الصياغة مقتضبة أو غامضة، لكن الدقة تحسنت عندما جُمِعت المعلومات عبر الملاحظات الكاملة ثم عبر كل الملاحظات الخاصة بالمريض. في تحليل ثانٍ، اعتبر الباحثون "الاستدلالات السريرية المعقولة" صحيحة — على سبيل المثال، الافتراض بأن ألم ركبة شديدًا أثناء المشي قد يقيّد المشي حتى لو لم يذكر ذلك صراحة. تحت هذا المنظور الأكثر تساهلاً، ارتفعت درجات F1 على مستوى المريض إلى أكثر من 0.96 للاستخراج و0.95 لتصنيف التأثر.

أين أخطأ الذكاء الاصطناعي — ولماذا يهم ذلك رغمًا عن ذلك

جاءت معظم الأخطاء من قراءة النموذج لما بين السطور. استنتج غالبًا وجود مشكلات في الحركة استنادًا إلى الألم أو الدوخة أو خطط العلاج المستقبلية، حتى عندما لم تذكر الملاحظة صراحة أن المريض محدود. تعكس أخطاء أخرى مناطق رمادية في التعريفات، مثل ما إذا كان يجب اعتبار السقوط المتكرر مشكلة في المشي أم مشكلة في التوازن عند تغيير الوضعية. كانت الفئة المسماة "الحركة، غير محددة" والمخصصة لالتقاط الأنشطة اليومية والتمارين صعبة التحديد بشكل خاص. بالرغم من هذه القضايا، كانت الأخطاء عادةً معقولة من وجهة نظر سريرية وليست عشوائية أو غريبة. ومن خلال تشغيل النموذج بطريقة حتمية (من دون عشوائية مدمجة) على خوادم محلية مغلقة، ضمن الفريق أيضًا أن النتائج قابلة للتكرار وأن خصوصية المرضى محفوظة.

كيف يمكن أن يغيّر هذا رعاية كبار السن

الخلاصة لغير المتخصص أن نظام ذكاء اصطناعي يمكنه الآن قراءة ملاحظات الأطباء والمعالجين الروتينية بشكل كافٍ لتلخيص مدى قدرة المرضى على الحركة وأين يواجهون صعوبات. يعني ذلك أن أنظمة الرعاية الصحية قد تتعقب التغيرات في المشي والتوازن والأنشطة اليومية مع مرور الوقت دون إضافة استبيانات أو اختبارات جديدة، وتحديد الأشخاص المعرضين لخطر السقوط أو دخول المستشفى، وتحديد من قد يستفيد من العلاج الطبيعي أو تقييمات سلامة المنزل. من خلال تحويل ملايين الملاحظات النصية الحرة إلى بيانات حركة منظمة، يساعد هذا النهج الأطباء على رؤية الصورة الأكبر لكيفية تأثير الشيخوخة والمرض على الحياة اليومية — ليقرب الرعاية الصحية خطوة نحو طب شخصي يركّز على الوظيفة الحياتية.

الاستشهاد: Liu, X., Garg, M., Jia, H. et al. Mobility functional status ascertainment in electronic health records using large language models. Sci Rep 16, 6045 (2026). https://doi.org/10.1038/s41598-026-37025-9

الكلمات المفتاحية: الحركة, السجلات الصحية الإلكترونية, نماذج لغوية كبيرة, الحالة الوظيفية, الذكاء الاصطناعي السريري